/ Модель

Характеристики

Контекст
512 токенов
Параметры
138 млн
Лицензия
MIT
Архитектура
bert · dense
Опубликована
2 мар 2022

bert-base-historic-dutch-cased

Заполнение пропусковТекст → текст3 профессии

BERT-модель для предсказания пропущенных слов и анализа исторических нидерландских текстов XVII–XIX веков.

139скачиваний за 30 дней2лайкавеса обновлены15 ноя 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

dbmdz/bert-base-historic-dutch-cased — языковая модель BERT для исторического нидерландского языка, опубликованная разработчиками dbmdz. Это модель с архитектурой BERT и 137,8 млн параметров, обученная на корпусе Delpher: оцифрованных текстах нидерландских газет за 1618–1879 годы. В README описана предобучающая задача заполнения пропусков в тексте; репозиторий включает веса PyTorch, Safetensors и TensorFlow.

Модель предназначена для анализа исторических нидерландских текстов, в том числе последующего дообучения для распознавания именованных сущностей. В оценке на наборе Europeana NER для нидерландского языка авторы сообщают F1 87,45 на тестовой выборке. Максимальная длина контекста — 512 токенов. Лицензия — MIT. Специализация на исторических газетных текстах ограничивает применимость модели к современному нидерландскому и другим языкам; качество также может зависеть от ошибок OCR и соответствия входного текста обучающему корпусу.

Сценарии применения

  • Заполнение пропусков в исторических нидерландских текстах
  • Дообучение для распознавания именованных сущностей в старых газетах
  • Анализ оцифрованных газет Нидерландов XVII–XIX веков

Ограничения

Модель обучена на исторических газетах 1618–1879 годов и может хуже работать на современном нидерландском, других жанрах и языках. Ошибки OCR во входных текстах могут снижать качество.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Language Model for Historic Dutch

In this repository we open source a language model for Historic Dutch, trained on the [Delpher Corpus](https://www.delpher.nl/over-delpher/delpher-open-krantenarchief/download-teksten-kranten-1618-1879\), that include digitized texts from Dutch newspapers, ranging from 1618 to 1879.

Changelog

  • 13.12.2021: Initial version of this repository.

Model Zoo

The following models for Historic Dutch are available on the Hugging Face Model Hub:

Model identifierModel Hub link
dbmdz/bert-base-historic-dutch-casedhere

Stats

The download urls for all archives can be found here.

We then used the awesome alto-tools from this repository to extract plain text. The following table shows the size overview per year range:

PeriodExtracted plain text size
1618-1699170MB
1700-1709103MB
1710-171965MB
1720-1729137MB
1730-1739144MB
1740-1749188MB
1750-1759171MB
1760-1769235MB
1770-1779271MB
1780-1789414MB
1790-1799614MB
1800-1809734MB
1810-1819807MB
1820-1829987MB
1830-18391.7GB
1840-18492.2GB
1850-18541.3GB
1855-18591.7GB
1860-18642.0GB
1865-18692.3GB
1870-18741.9GB
1875-1876867MB
1877-18791.9GB

The total training corpus consists of 427,181,269 sentences and 3,509,581,683 tokens (counted via wc), resulting in a total corpus size of 21GB.

The following figure shows an overview of the number of chars per year distribution:

Delpher Corpus Stats

Language Model Pretraining

We use the official BERT implementation using the following command to train the model:

python3 run_pretraining.py --input_file gs://delpher-bert/tfrecords/*.tfrecord \
--output_dir gs://delpher-bert/bert-base-historic-dutch-cased \
--bert_config_file ./config.json \
--max_seq_length=512 \
--max_predictions_per_seq=75 \
--do_train=True \
--train_batch_size=128 \
--num_train_steps=3000000 \
--learning_rate=1e-4 \
--save_checkpoints_steps=100000 \
--keep_checkpoint_max=20 \
--use_tpu=True \
--tpu_name=electra-2 \
--num_tpu_cores=32

We train the model for 3M steps using a total batch size of 128 on a v3-32 TPU. The pretraining loss curve can be seen in the next figure:

Delpher Pretraining Loss Curve

Evaluation

We evaluate our model on the preprocessed Europeana NER dataset for Dutch, that was presented in the "Data Centric Domain Adaptation for Historical Text with OCR Errors" paper.

The data is available in their repository. We perform a hyper-parameter search for:

  • Batch sizes: [4, 8]
  • Learning rates: [3e-5, 5e-5]
  • Number of epochs: [5, 10]

and report averaged F1-Score over 5 runs with different seeds. We also include hmBERT as baseline model.

Results:

ModelF1-Score (Dev / Test)
hmBERT(82.73) / 81.34
Maerz et al. (2021)- / 84.2
Ours(89.73) / 87.45

License

All models are licensed under MIT.

Acknowledgments

Research supported with Cloud TPUs from Google's TPU Research Cloud (TRC) program, previously known as TensorFlow Research Cloud (TFRC). Many thanks for providing access to the TRC ❤️

We thank Clemens Neudecker for maintaining the amazing ALTO tools that were used for parsing the Delpher Corpus XML files.

Thanks to the generous support from the Hugging Face team, it is possible to download both cased and uncased models from their S3 storage 🤗

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForMaskedLM
Ревизия весов
28c8d02

0 моделей